Sistema para a medição de glicose in vitro, baseado em espectroscopia óptica e inteligência artificial

Abstract

A Diabetes Mellitus é uma preocupação de saúde global crescente, afetando mais de meio bilhão de pessoas em todo o mundo. Os métodos convencionais de medição de glicose são dispendiosos e dolorosos, envolvendo fitas reagentes e punções nas extremidades dos dedos. Portanto, a busca por métodos não invasivos de medição de glicose se torna imperativa. O objetivo deste estudo é desenvolver uma metodologia não invasiva para medir a concentração de glicose em testes in vitro, com potencial aplicação futura em testes in vivo. Para isso, utilizamos amostras de glicose produzidas de acordo com a metodologia proposta neste estudo, a partir da glicose d-anidra e água ultrapura do tipo l (Milli-Q). Inicialmente, foi definido uma solução padrão e, em seguida, produzido amostras diluindo essa solução em água Milli-Q seguindo metodologia proposta neste estudo, que foram posteriormente medidas usando o sistema proposto. O sistema de medição envolveu o uso de quatro LEDs em comprimentos de onda de 940, 840, 750 e 660 nm como emissores, e um nano espectrômetro com um range de detecção de 600 a 1000 nm em um intervalo de 5 nm. Neste estudo, foram utilizadas duas abordagens de aprendizado de máquina supervisionadas: modelos de regressão e modelos de classificação, com o intuito de identificar a técnica que oferecesse as métricas mais promissoras. Os modelos de regressão foram usados para prever valores contínuos da concentração de glicose na solução in vitro. O modelo Light Gradient Boosting Machine (LGBM) obteve as métricas mais favoráveis, com um RMSE de 34.03 (mg/dL) e um R2 de 0.88 para o conjunto de teste, com aproximadamente 92% dos dados previstos no conjunto de teste dentro da zona A e zona B da grade de erro de Clarke. Já o modelo de classificação com as melhores métricas foi o Extremely Randomized Trees (EXTRA TREE), que definiu classes discretas para a concentração de glicose na solução in vitro. Foram exploradas três abordagens distintas: a definição de 3 classes (hipoglicemia, normoglicemia e hiperglicemia), 23 classes com intervalos de 15 mg/dL e 23 classes com rótulos representando os intervalos de cada classe (por exemplo, 85-100 mg/dL). Os resultados indicaram que a abordagem com 3 classes obteve uma acurácia e um F1-score de 95%, enquanto ambas as abordagens com 23 classes alcançaram uma acurácia e um F1-score de 86%. Comparando as classes de valores contínuos com os valores originais de concentração de glicose, observamos um RMSE de 8,88 (mg/dL) para os dados de teste. É importante destacar que ambas as abordagens de classificação obtiveram 100% dos dados na zona A da grade de erro de Clarke. Este estudo demonstrou que a abordagem com modelos de classificação possui um grande potencial para pesquisas futuras. Recomenda-se explorar uma maior variabilidade de valores de teste nos dados e a definição de intervalos menores para cada classe, como, por exemplo, 10 mg/dL, em trabalhos subsequentes.

Abstract: Diabetes Mellitus is a growing global health concern, affecting over half a billion people worldwide. Conventional methods for glucose measurement are costly and painful, involving test strips and finger pricks. Therefore, the quest for non-invasive glucose measurement methods becomes imperative. The aim of this study is to develop a non-invasive methodology for measuring glucose concentration in in vitro tests with potential future application in in vivo tests. To achieve this, glucose samples were produced following the methodology proposed in this study, using d-anhydrous glucose and type l ultrapure water (Milli-Q). Initially, a standard solution was defined, and samples were produced by diluting this solution in Milli-Q water according to the methodology proposed in this study, which were subsequently measured using the proposed system. The measurement system involved the use of four LEDs at wavelengths of 940, 840, 750, and 660 nm as emitters and a nano-spectrometer with a detection range of 600 to 1000 nm at 5 nm intervals. In this study, two supervised machine learning approaches were employed: regression models and classification models, with the aim of identifying the technique that offered the most promising metrics. Regression models were used to predict continuous values of glucose concentration in the in vitro solution. The Light Gradient Boosting Machine (LGBM) model yielded the most favorable metrics, with an RMSE of 34.03 (mg/dL) and an R2 of 0.88 of the predicted data in the test set, with approximately 92% of the test dataset predictions falling within the A zone and B zone of the Clarke error grid. On the other hand, the classification model with the best metrics was Extremely Randomized Trees (EXTRA TREE), which defined discrete classes for glucose concentration in the in vitro solution. Three distinct approaches were explored: defining 3 classes (hypoglycemia, normoglycemia, and hyperglycemia), 23 classes with 15 mg/dL intervals, and 23 classes with labels representing the intervals of each class (e.g., 85-100 mg/dL). The results indicated that the 3-class approach achieved an accuracy and F1-score of 95%, while both 23-class approaches achieved an accuracy and F1-score of 86%. Comparing the classes of continuous values with the original glucose concentration values, observers noted an RMSE of 8.88 (mg/dL) for the test data. It is important to note that both classification approaches achieved 100% of the data within the A zone of the Clarke error grid. This study demonstrated that the classification model approach has great potential for future research. It is recommended to explore a wider range of test values and define smaller intervals for each class, such as 10 mg/dL, in subsequent work.